【技能---如何正确导出onnx】

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

提示：这里可以添加本文要记录的大概内容：

---

提示：以下是本篇文章正文内容，下面案例可供参考

注意事项

1.对于任何用到shape,size返回值的参数时，例如：tensor.view(tensor.size(0),-1)这类操作，避免直接使用tensor.size的返回值，而是加上int转换，tensor.view(int(tensor.size(0)),-1)；

2.对于nn.Upsample或nn.functional.interpolate函数，使用scale_factor指定倍率，而不是使用size参数指定大小；

3.对于reshape、view操作时候，-1指定请放在batch维度。其他维度可以计算出来即可。batch维度禁止指定为大于-1的明确数字；

4.torch.onnx.export指定dynamic_axes参数，并且只指定batch维度。我们只需要动态batch，相对动态的宽高有其他方案；

5.使用opset_version=11,不要低于11；

6.掌握了这些，就可以保证后面各种情况的顺利了。

这些做法的必要性体现在，简化过程的复杂度，去掉gather、shape类的节点，很多时候，部分不这么改看似也是可以但是需求复杂后，依旧存在各类问题。按照说的这么做，基本可以。

案例说明

1. 使用 int 转换来避免直接使用 tensor.size 的返回值：

原始代码：

result = tensor.view(tensor.size(0), -1)

修改后的代码：

result = tensor.view(int(tensor.size(0)), -1)

解释： 使用 int 转换可以确保 tensor.size(0) 返回的结果是整数类型，避免在某些情况下可能导致的类型不匹配问题。

2. 使用 scale_factor 替代 size 参数：

原始代码：

upsampled_tensor = nn.functional.interpolate(input_tensor, size=(height, width))

修改后的代码：

upsampled_tensor = nn.functional.interpolate(input_tensor, scale_factor=(scale_height, scale_width))

解释： 使用 scale_factor 可以更直观地表示上采样的倍率，而不是直接指定目标大小。这样更易读且避免了手动计算目标大小的麻烦。

3. 将 -1 放在 view 操作的 batch 维度：

原始代码：

reshaped_tensor = tensor.view(batch_size, -1, height, width)

修改后的代码：

reshaped_tensor = tensor.view(batch_size, -1, height, width)

解释： 将 -1 放在 batch 维度可以更方便地根据张量的总大小自动计算其他维度的大小。这样可以避免手动计算其他维度的麻烦。

4. 使用 dynamic_axes 参数指定动态轴：

原始代码：

torch.onnx.export(net, dummy_input, onnx_path, dynamic_axes={'input': {0: 'batch_size', 1: 'sequence_length'}})

解释： 在 torch.onnx.export 中使用 dynamic_axes 参数，只指定 batch
维度，因为它是唯一需要动态变化的。其他轴，如序列长度，可以使用其他方案进行处理。

5. 使用 opset_version=11：

原始代码：

torch.onnx.export(net, dummy_input, onnx_path, opset_version=9)

修改后的代码：

torch.onnx.export(net, dummy_input, onnx_path, opset_version=11)

解释： 使用 opset_version=11 可以确保使用 ONNX 的较新功能和操作，提高模型的兼容性和性能。

6. 综合应用：

在综合应用上述建议时，可以考虑以下示例：

import torch
import torch.nn as nn

# 示例模型
class ExampleModel(nn.Module):
    def __init__(self):
        super(ExampleModel, self).__init__()
        self.fc = nn.Linear(100, 50)

    def forward(self, x):
        return self.fc(x)

# 示例输入
dummy_input = torch.randn(32, 100)

# 导出模型到ONNX
onnx_path = "example_model.onnx"
net = ExampleModel()
torch.onnx.export(
    net,
    dummy_input,
    onnx_path,
    opset_version=11,
    input_names=['input'],
    output_names=['output']
)

上述示例中，我们使用了 int 转换，避免了手动计算大小，使用了 scale_factor 替代了 size 参数，将 -1 放在了 view 操作的 batch 维度，指定了 dynamic_axes 参数，并设置了 opset_version=11。这样可以确保导出的ONNX模型在简化过程中更加稳定和清晰。

---

总结

以上就是导出onnx需要注意的一些地方，不足之处，还请大家斧正！！1